基于改进生成对抗网络的滚动轴承小样本故障诊断方法研究

作     者：宋慧贤 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：邓林峰

授予年度：2023年

学科分类：08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：滚动轴承 小样本 数据增强 故障诊断 深度卷积生成对抗网络 对称极坐标法 

摘      要：滚动轴承是旋转机械的关键部件,对其健康状态进行评估和诊断,是保证机械设备安全运行的重要技术手段。而轴承工作环境复杂及恶劣且大部分时间处于正常运行状态,致使滚动轴承故障诊断过程中面临故障样本不易获取、样本量有限等难题,难以实现准确的故障诊断。为此,本文通过对深度卷积生成式对抗网络模型(Deep Convolutional Generative Adversarial Network,简称DCGAN)结构进行设计、改进和应用等,开展滚动轴承小样本故障数据增强和智能故障诊断方法的研究工作。主要研究内容和结果如下:(1)利用对称点模式(SDP)方法进行轴承信号转换时,方法参数对形成图像的可辨识度有重要影响,有必要对其进行寻优。首先通过图像对比分析选取SDP方法的θ值,然后利用皮尔逊相关系数选取SDP方法的d和g值,并通过两个图像相似性指标和图形可视化结果验证了所选参数的有效性。结果表明所选参数能够有效提高图像的分辨率和辨识度,不同故障的二维图像区别明显,实现了滚动轴承不同故障状态的有效表征。(2)针对传统DCGAN进行数据增强时生成样本质量不高的问题,提出一种基于SDP和W-DCGAN(SW-DCGAN)的小样本故障数据增强方法。首先利用最优参数的SDP方法将一维振动信号转换成二维对称花瓣图,并根据二维花瓣图像特征,对网络的超参数进行设计,搭建一种具有更优生成性能和稳定性的模型;其次为增强DCGAN网络训练的稳定性,引入Wasserstein距离改进目标函数并在判别网络中加入谱归一化处理方式,以提高模型生成样本的质量。试验验证结果表明,该方法可以有效提高生成样本的质量,实现轴承故障状态小样本数据增强。(3)针对浅层神经网络对轴承小样本故障进行诊断时识别率较低的问题,提出了一种基于SW-DCGAN和C-Res Net18的滚动轴承故障诊断方法。首先通过改进Res Net18模型的残差单元以提高模型的故障特征提取能力,同时引入卷积注意力机制并与深度残差网络相融合形成一种C-Res Net18模型,利用Adam优化算法对C-Res Net18模型参数进行寻优;然后将SW-DCGAN模型作为C-Res Net18的前置部分构成完整的滚动轴承故障诊断方法。实验结果显示,该方法在小样本情况下可以识别滚动轴承不同故障类型,并能达到较高的故障识别率。